导读:本文包含了感知器训练论文开题报告文献综述及选题提纲参考文献，主要关键词:无线传感器网络,多层感知器,TensorFlow,分布式协同训练
感知器训练论文文献综述
饶绪黎,陈志德,林晶,林峰[1]（2019）在《基于多层感知器的无线传感器网络分布式协同训练方法研究》一文中研究指出为了提高分散在无线传感器网络各个节点上的数据训练的准确度和时效性,采用多层感知器分类算法训练数据,并将分类算法部署在TensorFlow分布式集群上,以实现协同训练。结果表明本算法与传统算法相比,准确率能控制在95%以上,训练时间缩短了65.8%,具有实际应用价值。(本文来源于《荆楚理工学院学报》期刊2019年02期）
晏福,徐建中,李奉书[2]（2019）在《混沌灰狼优化算法训练多层感知器》一文中研究指出灰狼优化算法(GWO)是一种新的基于灰狼捕食行为的元启发式算法,被证明是一种具有高水平的探索和开发能力的算法。但是存在开发和探索不平衡的问题,以至于其优化性能并不理想。该文将混沌理论引入GWO中,用于平衡GWO的探索和开发,提出一种改进的混沌灰狼优化算法(CGWO),并应用于多层感知器(MLPs)的训练。首先,基于Cubic混沌理论对GWO的位置更新公式进行改进,以增加个体的多样性,增大跳出局部最优的概率和对解空间进行深入的搜索;其次,设计一种非线性收敛因子,用于协调和平衡CGWO算法在不同迭代进化时期的探索和开发能力;最后,将CGWO算法作为MLPs的训练器,用于对3个复杂分类问题进行分类实验。结果表明:CGWO在分类准确率,避免陷入局部最优,全局收敛速度和鲁棒性方面相较于其他对比算法均具有较好的性能。(本文来源于《电子与信息学报》期刊2019年04期）
韩冰,刘一佳,车万翔,刘挺[3]（2015）在《基于感知器的中文分词增量训练方法研究》一文中研究指出该文提出了一种基于感知器的中文分词增量训练方法。该方法可在训练好的模型基础上添加目标领域标注数据继续训练,解决了大规模切分数据难于共享,源领域与目标领域数据混合需要重新训练等问题。实验表明,增量训练可以有效提升领域适应性,达到与传统数据混合相类似的效果。同时该文方法模型占用空间小,训练时间短,可以快速训练获得目标领域的模型。(本文来源于《中文信息学报》期刊2015年05期）
邹志强,何中市,冷崇钦[4]（2008）在《一种最大化分类间隔的感知器训练算法》一文中研究指出本文提出了一种新的感知器训练算法,它在训练数据线性可分和线性不可分两种情况下都能够收敛。该算法的目标是要使分类间隔最大化,且采用梯度下降的权向量搜索算法来达到上述目标。实验结果表明相对于LMS训练法则,本文算法有更快的收敛速度和更小的分类误差率。(本文来源于《2008年计算机应用技术交流会论文集》期刊2008-07-01）
邹志强[5]（2008）在《感知器训练算法及其在人脸检测中应用的研究》一文中研究指出人脸检测是近二十年来研究较热的领域,其功能是检测图像中的所有人脸。它是任何人脸处理系统的第一步。另外,它本身有着广泛而重要的应用,包括基于内容的图像检索、安全认证、视频监控等。目前,多数的人脸检测算法是通过将图像窗口在输入图像上滑动,然后用人脸分类器对其进行分类来实现的。由于人脸分类器构造的复杂性和穷尽的搜索策略,很多人脸检测算法的检测速度较慢。本文为解决这个问题展开了研究。为了提高检测速度,本文将感知器引入人脸检测算法。感知器是一种线性判别函数,尽管表达能力有限,但形式简单,尤其对线性可分或近似线性可分的数据来说,其优越性是其它分类器所不能比的。本文提出了一种新的感知器训练算法,并用级联感知器来提高人脸检测速度。本文的研究工作主要包括以下叁个方面:1.提出一种基于最大化分类间隔思想的感知器训练算法(MM)。首先,在理论上,与其它感知器训练算法做了比较,然后,通过与其它训练算法的实验对比对MM算法做了以下几个方面的分析:1)分类间隔相对学习周期的变化情况,并分析了训练数据的分类间隔与其本身的可判别性的关系;2)在多个线性不可分训练集上,分析MM算法训练的感知器在其上的分类错误率;3)在复杂数据集上,分析了MM算法在训练感知器过程中,分类错误率相对学习周期的变化情况;4)在讨论上述叁个方面的同时,对MM算法的训练速度也做了分析和比较。2.提出级联感知器(cascaded perceptrons),并作为为人脸检测的过滤器。感知器运算速度很快,级联感知器有较强的分类能力,因此,级联感知器作为过滤器,能够将那些不像人脸的非人脸既快又多地过滤掉,提高整体的检测速度。这样使得很多检测准确度高,但计算很慢的人脸检测算法得到提速而变的实用化。同时,并为以级联感知器为过滤器的人脸检测器设计了训练算法。3.本文将级联感知器与BDF(Bayesian Discriminating Features)人脸检测器结合,并通过实验分析级联感知器的作用和性能。实验表明,跟其它感知器训练算法相比,MM算法在分类间隔的性质、分类错误率、训练速度等方面具有较好的性能,也基于此,本文用MM算法训练感知器。另外,人脸检测算法在将级联感知器作为过滤器后,能在保证检测率和假阳性个数两个指标不减的前提下提高检测速度。(本文来源于《重庆大学》期刊2008-04-01）
于浩,步丰林,高剑峰[6]（2006）在《感知器在语言模型训练中的应用》一文中研究指出感知器(perceptron)是神经网络模型中的一种,它可以通过监督学习(supervisedlearning)的方法建立模式识别的能力·将感知器应用到语言模型的训练中,实现了感知器的两种不同训练规则以及多种特征权值计算方法,讨论了不同的训练参数对训练效果的影响·在训练之前,使用了一种基于经验风险最小化(empirical risk mini mization,ERM)的特征选择算法确定特征集合·感知器训练之后的语言模型在日文假名到汉字(kana-kanji)的转换中进行评估·通过实验对比了感知器的两种训练规则以及变形算法的性能,同时发现通过感知器训练的模型比传统模型(N-gram)在性能上有了很大的提高,使相对错误率下降了15%~20%·(本文来源于《计算机研究与发展》期刊2006年02期）
陈森林,张军英,范丽[7]（2004）在《线性可分问题的支撑向量稳健感知器及其几何训练算法》一文中研究指出分类器的稳健性能是分类器的重要性质之一。支撑向量机SVM和稳健感知器得到的都是最优分类面,都具有很强的稳健性能。SVM构造的是到所有支撑向量(距分类面最近的样本)等距离的最优分类面,SVM算法需要求解一个二次型寻优问题;而稳健感知器构造的是到所有基(各模式类的边界样本)距离都较远的最优分类面,稳健感知器需要求解一系列的线性规划。文章在二者的基础上提出了适用于线性可分问题的支撑向量稳健感知器及其几何训练算法,它将问题转化成了一系列的线性方程组,它将比SVM的二次型寻优具有更快的速度。实验仿真表明了该算法的高效性。(本文来源于《微电子学与计算机》期刊2004年06期）
宋宜斌[8]（2000）在《多层感知器的一种快速网络训练法及其应用》一文中研究指出从多层感知器原理分析出发，提出一种自适应学习速率因子方法，用于对多层感知器中ＢＰ算法的改进，并将改进算法用于ＸＯＲ问题的学习及某分类器实例样本的学习。仿真结果表明，改进的ＢＰ算法可显着加速网络训练速度，学习过程具有较好的收敛性和较强的鲁棒性。(本文来源于《控制与决策》期刊2000年01期）
感知器训练论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
灰狼优化算法(GWO)是一种新的基于灰狼捕食行为的元启发式算法,被证明是一种具有高水平的探索和开发能力的算法。但是存在开发和探索不平衡的问题,以至于其优化性能并不理想。该文将混沌理论引入GWO中,用于平衡GWO的探索和开发,提出一种改进的混沌灰狼优化算法(CGWO),并应用于多层感知器(MLPs)的训练。首先,基于Cubic混沌理论对GWO的位置更新公式进行改进,以增加个体的多样性,增大跳出局部最优的概率和对解空间进行深入的搜索;其次,设计一种非线性收敛因子,用于协调和平衡CGWO算法在不同迭代进化时期的探索和开发能力;最后,将CGWO算法作为MLPs的训练器,用于对3个复杂分类问题进行分类实验。结果表明:CGWO在分类准确率,避免陷入局部最优,全局收敛速度和鲁棒性方面相较于其他对比算法均具有较好的性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
感知器训练论文参考文献
[1].饶绪黎,陈志德,林晶,林峰.基于多层感知器的无线传感器网络分布式协同训练方法研究[J].荆楚理工学院学报.2019
[2].晏福,徐建中,李奉书.混沌灰狼优化算法训练多层感知器[J].电子与信息学报.2019
[3].韩冰,刘一佳,车万翔,刘挺.基于感知器的中文分词增量训练方法研究[J].中文信息学报.2015
[4].邹志强,何中市,冷崇钦.一种最大化分类间隔的感知器训练算法[C].2008年计算机应用技术交流会论文集.2008
[5].邹志强.感知器训练算法及其在人脸检测中应用的研究[D].重庆大学.2008
[6].于浩,步丰林,高剑峰.感知器在语言模型训练中的应用[J].计算机研究与发展.2006
[7].陈森林,张军英,范丽.线性可分问题的支撑向量稳健感知器及其几何训练算法[J].微电子学与计算机.2004
[8].宋宜斌.多层感知器的一种快速网络训练法及其应用[J].控制与决策.2000
标签：无线传感器网络; 多层感知器; tensorflow; 分布式协同训练;